预测
预测基于增量学习的朴素贝叶斯分类模型对新观测值的响应
描述
例子
预测类标签
加载人类活动数据集。
负载人类活动
有关数据集的详细信息，请输入描述在命令行。
将朴素贝叶斯分类模型拟合到整个数据集。
TTMdl=fitcnb（专长，活动）
TTMdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: [1 2 3 4 5] ScoreTransform: 'none' NumObservations: 24075 DistributionNames: {1×60 cell} DistributionParameters: {5×60 cell}属性，方法
TTMdl是一个分类朴素贝叶斯表示传统训练模型的模型对象。
将传统的训练模型转换为朴素贝叶斯分类模型进行增量学习。
IncrementalMdl=incrementalLearner（TTMdl）
IncrementalMdl=incrementalClassificationNaiveBayes IsWarm:1度量：[1×2表]类名：[1 2 3 4 5]ScoreTransform:'none'分布名称：{1×60单元格}分布参数：{5×60单元格}属性、方法
IncrementalMdl是一个增量分类NaiveBayes为增量学习准备的模型对象。
的
递增学习器函数通过将学到的条件预测器分布参数以及其他信息传递给增量学习器来初始化增量学习器TTMdl从训练数据中学习。IncrementalMdl天气暖和(是温暖的是1)，这意味着增量学习功能可以开始跟踪性能指标。
通过转换传统训练模型创建的增量学习者可以生成预测，而无需进一步处理。
使用这两种模型预测所有观测值的类标签。
ttlabels=predict（TTMdl，专长）；illables=predict（IncrementalMdl，专长）；sameLabels=sum（ttlabels~=illables）==0
萨米拉贝尔斯=逻辑1
两个模型预测的每个观测值的标签相同。
使用特定于区块的错误分类成本预测标签
这个例子展示了如何在输入数据块上应用错误分类成本进行标签预测，同时在训练中保持均衡的错误分类成本。
加载人类活动数据集。随机洗牌数据。
负载人类活动n=努美尔（活动）；rng（10）；%的再现性idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
为增量学习创建朴素贝叶斯分类模型；指定类名。为预测通过将模型与前10个观测值进行拟合。
Mdl=incrementalClassificationNaiveBayes（ClassNames=unique（Y））；initobs=10；Mdl=fit（Mdl，X（1:initobs，：），Y（1:initobs））；canPredict=size（Mdl.DistributionParameters，1）==numel（Mdl.ClassNames）
canPredict =逻辑1
考虑严重惩罚错误分类“运行”（第4类）的模型。创建一个成本矩阵，应用于错误分类运行100次，与错误分类任何一个类相比。行对应于真实类，并且列对应于预测类。
k =元素个数(Mdl.ClassNames);Cost = ones(k) - eye(k);成本(4:)=成本(4:)* 100;%错误分类“跑步”的处罚成本
成本=5×50 1 1 1 1 10 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 100 100 0 100 1 1 1 1 1 10
模拟一个数据流，并对每个传入的100个观察数据块执行以下操作。
呼叫
预测预测传入数据块中每个观察值的标签。呼叫
预测同样，但是通过使用成本论点。呼叫
适合使模型与传入的数据块相匹配。用一个适合传入观测的新模型覆盖先前的增量模型。
numObsPerChunk=100；nchunk=ceil（（n-initobs）/numObsPerChunk）；labels=0（n，1）；cslabels=0（n，1）；cst=0（n，5）；cscscst=0（n，5）；%增量学习为n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1 + initobs);iend = min(n,numObsPerChunk*j + initobs);idx = ibegin: iend;[标签(idx), ~,春秋国旅(idx:)] =预测(Mdl X (idx:));[cslabels idx), ~, cscst (idx:)] =预测(Mdl X (idx:),成本=成本);Mdl =适合(Mdl X (idx:), Y (idx));结束标签=标签((initobs + 1):结束);Cslabels = Cslabels ((initobs + 1):end);
通过绘制直方图比较预测方法之间的预测类分布。
图;直方图(标签);持有在…上直方图（CSL标签）；图例([“默认成本预测”“成本敏感预测”])
由于成本敏感预测方法对第4类错误分类的惩罚非常严重，与使用默认均衡成本的预测方法相比，更多的预测结果进入第4类。
计算后验类别概率
加载人类活动数据集。随机洗牌数据。
负载人类活动n=努美尔（活动）；rng（10）；%的再现性idx = randsample (n, n);X =壮举(idx:);Y = actid (idx);
有关数据集的详细信息，请输入描述在命令行。
为增量学习创建朴素贝叶斯分类模型；指定类名。为预测通过将模型与前10个观测值进行拟合。
Mdl=递增分类NaiveBayes(“类名”,独特的(Y));initobs = 10;Mdl =适合(Mdl X (1: initobs,:), Y (1: initobs));Mdl.DistributionParameters == numel(Mdl.ClassNames)
canPredict =逻辑1
Mdl是一个增量分类NaiveBayes模型。其所有属性都是只读的。该模型配置为生成预测。
模拟一个数据流，并对每个传入的100个观察数据块执行以下操作。
呼叫
预测计算传入数据块中每个观测值的类后验概率。考虑递增地测量模型预测一个对象是否正在跳舞（y是5）。你可以通过计算块曲线中的每个观察值所产生的ROC曲线的AUC来实现这一点，即5类的后验概率和其他类之间的最大后验概率之间的差值。
perfcurve．呼叫
适合使模型与传入的数据块相匹配。用一个适合传入观测的新模型覆盖先前的增量模型。
numObsPerChunk = 100;nchunk = floor((n - initobs)/numObsPerChunk) - 1;后= 0 (nchunk元素个数(Mdl.ClassNames));auc = 0 (nchunk, 1);classauc = 5;%增量学习为n = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1 + initobs);iend = min(n,numObsPerChunk*j + initobs);idx = ibegin: iend;[~,后(idx:)] =预测(Mdl X (idx:));diffscore = Posterior(idx,classauc) - max(Posterior(idx,setdiff(mdd . classnames,classauc))，[]，2);[~, ~, ~, auc (j)] = perfcurve (Y (idx)、diffscore Mdl.ClassNames (classauc));Mdl =适合(Mdl X (idx:), Y (idx));结束
Mdl是一个增量分类NaiveBayes模型对象对流中的所有数据进行训练。
在传入的数据块上绘制AUC。
情节(auc) ylabel (“AUC”)xlabel(“迭代”）
AUC表明，在渐进学习过程中，分类器能够很好地正确预测舞蹈受试者。
输入参数
输出参数
更多关于
您还可以从以下列表中选择网站：
